一种通过大型语言模型和人工智能代理来推动安全循环的方法

科学领域:

• 城市规划和交通安全.
• 人工智能和地理空间数据分析
• 人与计算机的交互,促进移动.

背景情况:

• 城市自行车安全问题日益关注,需要更好的数据分析和用户友好的工具.
• 分析城市流动和风险数据的现有方法通常是复杂的,最终用户无法使用.
• 开放的地理空间数据提供了丰富的信息,但对于实际应用需要复杂的处理.

研究的目的:

• 开发一种用于生成可操作信息的新方法,以提高城市自行车安全.
• 将大型语言模型 (LLM) 和人工智能代理与开放的地理空间数据集成,以提高安全洞察力.
• 为骑自行车者和城市规划人员创建可访问的辅助系统.

主要方法:

• 一个多层数据预处理管道,利用开放的地理空间数据,城市风险水平和移动基础设施.
• 整合大型语言模型 (LLM) 和基于人工智能的数据处理和信息生成代理.
• 一个定义的处理管道,包括数据摄入和准备,代理人编排和决策执行.

主要成果:

• 展示了一种结合LLM和AI代理的新方法,用于处理多域开放的地理空间数据,以促进骑自行车的安全.
• 成功将城市风险数据和自行车基础设施集成到可访问的信息格式 (文本/音频提示).
• 开发了一个概念验证的人工智能代理,实现了拟议的方法.

结论:

• 拟议的方法有效地提高了自行车安全,并支持城市流动性规划.
• 将LLM和AI代理与开放的地理空间数据集成,提供了一种可重复和可访问的方法.
• 可以创建用户友好的辅助系统,为更安全的城市自行车提供有价值的见解.